如何在Python中实现RFM分析

RFM分析

RFM分析是根据客户活跃程度和交易金额贡献，进行客户价值细分的一种方法；
可以通过R,F,M三个维度，将客户划分为8种类型。

RFM分析过程

1.计算RFM各项分值

R_S,距离当前日期越近，得分越高，最高5分，最低1分

F_S,交易频率越高，得分越高，最高5分，最低1分

M_S,交易金额越高，得分越高，最高5分，最低1分

2.归总RFM分值

RFM=100*R_S+10*F_S+1*M_S

3.根据RFM分值对客户分类

RFM分析前提，满足以下三个假设，这三个假设也是符合逻辑的

1.最近有过交易行为的客户，再次发生交易的可能性要高于最近买有交易行为的客户；
2.交易频率较高的客户比交易频率较低的客户，更有可能再次发生交易行为；
3.过去所有交易总金额较多的客户，比交易总金额较少的客户，更有消费积极性。
我们了解了RFM的分析原理后，下面来看看如何在Python中用代码实现：

import numpyimport pandasdata = pandas.read_csv(    'D:\\PDA\\5.7\\data.csv')data['DealDateTime'] = pandas.to_datetime(    data.DealDateTime,     format='%Y/%m/%d')data['DateDiff'] = pandas.to_datetime(    'today') - data['DealDateTime']data['DateDiff'] = data['DateDiff'].dt.daysR_Agg = data.groupby(    by=['CustomerID'])['DateDiff'].agg({    'RecencyAgg': numpy.min})F_Agg = data.groupby(    by=['CustomerID'])['OrderID'].agg({    'FrequencyAgg': numpy.size})M_Agg = data.groupby(    by=['CustomerID'])['Sales'].agg({    'MonetaryAgg': numpy.sum})aggData = R_Agg.join(F_Agg).join(M_Agg)bins = aggData.RecencyAgg.quantile(    q=[0, 0.2, 0.4, 0.6, 0.8, 1],    interpolation='nearest')bins[0] = 0labels = [5, 4, 3, 2, 1]R_S = pandas.cut(    aggData.RecencyAgg,     bins, labels=labels)bins = aggData.FrequencyAgg.quantile(    q=[0, 0.2, 0.4, 0.6, 0.8, 1],    interpolation='nearest')bins[0] = 0;labels = [1, 2, 3, 4, 5];F_S = pandas.cut(    aggData.FrequencyAgg,     bins, labels=labels)bins = aggData.MonetaryAgg.quantile(    q=[0, 0.2, 0.4, 0.6, 0.8, 1],    interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5]M_S = pandas.cut(    aggData.MonetaryAgg,     bins, labels=labels)aggData['R_S']=R_SaggData['F_S']=F_SaggData['M_S']=M_SaggData['RFM'] = 100*R_S.astype(int) + 10*F_S.astype(int) + 1*M_S.astype(int)bins = aggData.RFM.quantile(    q=[        0, 0.125, 0.25, 0.375, 0.5,         0.625, 0.75, 0.875, 1    ],    interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5, 6, 7, 8]aggData['level'] = pandas.cut(    aggData.RFM,     bins, labels=labels)aggData = aggData.reset_index()aggData.sort(    ['level', 'RFM'],     ascending=[1, 1])aggData.groupby(    by=['level'])['CustomerID'].agg({    'size':numpy.size})